Três etapas, e a segunda é a difícil
Todo corretor de afinação, dos famosos aos gratuitos, faz as mesmas três coisas: descobre em que altura a voz está cantando a cada momento, decide em que altura ela deveria estar e ressintetiza o áudio na nova altura.
A primeira etapa é um problema de engenharia resolvido. A terceira é um problema de processamento de sinais resolvido. A segunda, decidir que nota deveria ser, é um julgamento musical que o software faz mal por padrão, e quase toda voz afinada que soa mal é consequência dessa etapa, e não das outras duas.
Primeira etapa: encontrar a altura
Um detector de afinação estima a frequência fundamental da voz, normalmente várias centenas de vezes por segundo. As abordagens clássicas usavam autocorrelação: deslizar a forma de onda sobre ela mesma para encontrar o período em que ela melhor coincide. Os detectores modernos usam redes neurais treinadas com áudio anotado e são bem melhores nos casos difíceis: voz soprosa, drive, vibrato, o momento em que uma nota começa.
O resultado é uma curva de afinação contínua, e não uma lista de notas. Essa distinção importa: uma boa ferramenta depois segmenta a curva em notas e deixa você ver e editar as duas coisas. Se você não consegue ver a curva de afinação, está confiando às cegas na segmentação da ferramenta, e é na segmentação que ela vai errar o seu melisma.
Os detectores falham de forma previsível em erros de oitava, informar uma nota deslocada em uma oitava, e em material que não é uma única voz clara. Dê a um deles uma voz dobrada, ou uma voz com muito vazamento, e ele terá duas fundamentais para escolher e nenhuma forma de saber qual você queria. Quando a única fonte é uma mixagem pronta, separar a voz primeiro é o que torna a detecção possível.
Segunda etapa: decidir o alvo
Agora a ferramenta precisa decidir qual deveria ser cada nota. A resposta ingênua, e o padrão na maioria dos softwares, é a nota mais próxima numa escala cromática.
Esse padrão está errado na maior parte das vezes, e o motivo é o seguinte. Se a música está em Lá menor e o cantor mira um Dó, mas chega um pouco abaixo, a nota cromática mais próxima pode ser um Si. O corretor vai puxar a nota para Si com toda a confiança, produzindo algo afinado com nada e errado de um jeito muito mais perceptível do que a desafinação original.
É por isso que você deve sempre informar o tom. Melhor ainda:
- Defina a escala real, para que notas fora do tom não estejam disponíveis como alvo.
- Exclua as notas que a melodia não usa. Se o cantor nunca canta um Fá♯, tirá-lo do conjunto de alvos elimina uma categoria inteira de erros.
- Use uma trilha de acordes, se a ferramenta tiver uma, para que o alvo acompanhe a harmonia, e não uma escala fixa. A nota certa no compasso 3 não é a nota certa no compasso 11.
- Proteja as notas deliberadas. Uma blue note, uma nota com bend, uma nota atacada por baixo de propósito: isso é a performance. Um afinador preso a uma escala vai “corrigir” cada uma delas.
Terceira etapa: mover a altura
Com o alvo definido, o áudio precisa ser renderizado de novo na nova altura, sem mudar de duração. Duas famílias de técnicas fazem isso.
Os métodos no domínio do tempo, o PSOLA e seus parentes, cortam a forma de onda em grãos curtos alinhados aos períodos fundamentais e os remontam com outro espaçamento. Um espaçamento menor sobe a altura, um maior a abaixa, e repetir ou descartar grãos mantém a duração igual. É barato em processamento e soa excelente para deslocamentos pequenos em material monofônico, que é exatamente o caso da correção de afinação.
Os métodos de vocoder e os baseados em modelos decompõem o sinal num envelope espectral e numa excitação, alteram a frequência da excitação e ressintetizam. São mais caros, mais flexíveis e melhores em deslocamentos grandes e na manipulação independente dos formantes.
Para as correções pequenas que formam a maior parte do trabalho de afinação, algumas dezenas de cents, a escolha importa muito menos do que aquilo que você pediu na segunda etapa.
A velocidade de correção é o controle que importa
Esta é a coisa mais útil de entender sobre essas ferramentas, e ela é confundida o tempo todo com a intensidade da correção.
A intensidade é o quanto uma nota se move em direção ao alvo. A velocidade de correção (retune speed) é a rapidez com que ela chega lá depois que a ferramenta decide movê-la.
Uma voz humana não chega a uma altura instantaneamente. Ela desliza até lá, passa um pouco do ponto, se acomoda e acrescenta vibrato. Essas transições carregam uma parte enorme da expressão de uma performance: o portamento entre duas notas muitas vezes é a coisa mais humana de uma frase.
Com a velocidade de correção lenta, o corretor espera, deixa o deslize acontecer naturalmente e só dá um empurrão na parte sustentada da nota. O resultado é transparente: o cantor soa afinado e nada mais mudou.
Com a velocidade de correção em zero, toda transição é quantizada. A voz salta entre alturas exatas sem nenhum deslize, e, como vozes humanas nunca fazem isso, o ouvido identifica na hora que há processamento. Esse é o efeito famoso: e ele é deliberado, usado de propósito, e não um efeito colateral de afinar com força demais.
Então: correção forte com velocidade lenta é transparente. Correção fraca com velocidade instantânea soa obviamente processada. Se uma voz afinada soa robótica e você não queria isso, o que deve mudar é a velocidade de correção.
Formantes, e por que vozes corrigidas ficam com voz de esquilo
Numa voz acontecem duas coisas independentes. As pregas vocais produzem uma frequência fundamental: a altura. A garganta, a boca e o nariz então filtram esse som, enfatizando certas regiões de frequência chamadas formantes. Os formantes são o que faz um “i” soar diferente de um “a”, e as posições deles também dizem ao ouvinte, aproximadamente, o tamanho de quem fala.
Se você desloca o sinal inteiro para cima em frequência, como faria uma simples mudança de velocidade, os formantes se movem junto com a altura, e o ouvinte não ouve uma nota mais aguda, mas uma pessoa menor. Esse é o efeito voz de esquilo.
Uma boa correção de afinação preserva os formantes: move a fundamental e deixa o envelope espectral onde estava, para que o cantor soe como a mesma pessoa cantando outra nota. Nos deslocamentos pequenos da afinação comum isso quase não importa. Em deslocamentos de vários semitons importa enormemente, e uma ferramenta sem preservação de formantes é inutilizável para isso.
O deslocamento de formantes também existe como controle próprio, deliberado: e é assim que se faz uma voz soar maior ou menor de propósito, independentemente da altura.
De onde vêm os artefatos
- Detecção ruim. Se o detector leu a altura errado, a correção é aplicada em relação a uma leitura errada, e o resultado sai errado com toda a confiança. Trechos soprosos e muito baixos são os culpados de sempre.
- Deslocamentos grandes. Toda técnica de ressíntese se degrada com a distância. Um semitom não é nada; cinco semitons numa nota sustentada começam a soar sintéticos. Se um take está sempre muito longe, cante de novo.
- Consoantes. Sibilantes e plosivas praticamente não têm altura, e um corretor que tenta afiná-las produz um borrão característico. Boas ferramentas detectam as regiões não vozeadas e as deixam em paz. A sibilância áspera é outro trabalho, e pertence à etapa de restauração, depois da afinação, e não antes.
- Vazamento. Uma trilha de voz com vazamento da sala, ou uma voz extraída de uma mixagem, entrega ao detector duas coisas ao mesmo tempo. Afinar a mais alta arrasta a outra junto.
- Brigar com o vibrato. O vibrato é uma modulação deliberada da altura; uma correção rápida o lê como erro e o achata. Algumas ferramentas separam o vibrato do desvio de afinação para que você possa corrigir um e manter o outro, que é o design certo.
Como usar bem
- Comece com o melhor take que conseguir. A correção conserta a afinação. Não conserta fraseado, timing, timbre nem convicção, que são o que de fato faz uma voz ser boa: e a maior parte do que dá errado no microfone não pode ser corrigida depois, de jeito nenhum.
- Sempre defina o tom e a escala. O padrão cromático é a origem da maioria dos maus resultados.
- Diminua a velocidade de correção, a não ser que você queira justamente o efeito.
- Afine as notas que estão erradas, não todas as notas. A maioria das ferramentas processa sem reclamar um take inteiro; a maioria dos takes tem quatro ou cinco notas que precisam disso.
- Ouça no contexto. Uma voz em solo revela todos os artefatos. Uma voz na mixagem revela quais deles alguém vai ouvir: e, se ela ainda não se encaixa depois que a afinação está limpa, geralmente é uma questão de EQ.
- Guarde o take intocado. Uma semana depois você vai querer comparar, e às vezes vai preferir o original.
Uma última observação sobre nomes: a técnica é correção de afinação ou afinação vocal, e uma ferramenta que faz isso é um afinador vocal. Não é Auto-Tune, escrito “autotune” na maioria das buscas, que é um produto específico, da Antares, e usar o nome dele para a categoria inteira é impreciso, além de ser marca registrada da empresa. O que é realmente o Auto-Tune trata especificamente desse produto: de onde ele veio, e por que o famoso som robótico é um ajuste de velocidade, e não o som de uma correção forte.
Continue lendo